技術要約：PnPにおける物理学の重要性：MMSEおよびNNデノイザーによる回復保証

1. 問題設定

本論文は、以下の順モデルに従う観測 $y \in \mathbb{R}^m$ から、ランダムなベクトル $x \in \mathbb{R}^n$ を回復するという線形劣決定逆問題に対処している：
$$y = Ax + e$$
ここで、$A: \mathbb{R}^n \to \mathbb{R}^m$ は線形演算子であり、$e$ は平均ゼロで、おそらく非対角かつ正定値な共分散行列 $\Sigma_E$ を持つガウスノイズである。この問題は、 $A$ が単射でない場合、不良設定（ill-conditioned）であり、解が非一意的になる可能性がある。

著者らは、Plug-and-Play (PnP) パラダイム、特に前方後方分解（forward-backward splitting; FBS）反復について調査している。明示的な正則化関数に依存する古典的なアプローチとは異なり、PnPは近接作用素（proximal operator）をデノイジング作用素 $\hat{D}$ に置き換える。検討されている一般的な反復式は以下の通りである：
$$x_{k+1} = \hat{D}(x_k + \gamma B(y - Ax_k))$$
ここで、$\gamma > 0$ はステップサイズであり、$B \in \mathbb{R}^{n \times m}$ は線形演算子である。中心となる課題は、デノイザーが最小平均二乗誤差（MMSE）推定器である場合のこの反復に対する厳密な回復保証（誤差界）を確立すること、およびMMSEをニューラルネットワーク（NN）で近似する場合への拡張である。

本研究の決定的な相違点は、ノイズ分布の扱いにある。既存の多くのPnP解析は、デノイザーが等方的なガウスノイズ（$\sigma^2 I$）で訓練されていることを前提としているが、本論文では、退化したガウスノイズ（一般の共分散構造を持つもの）を考慮している。これは、PnP反復中にデノイザーに注入されるノイズの分布が、前方演算子 $A$ と $B$ の選択に依存することを認識しているためである。

2. 手法

2.1 MMSEデノイザー・フレームワーク

著者らは、最適デノイザー $\hat{D}$ を、ノイズのある観測 $Z = X + \Upsilon$（ここで $\Upsilon \sim \mathcal{N}(0, \Sigma_\Upsilon)$）に対する $X$ のMMSE推定器として定義する。極めて重要な点は、$\Sigma_\Upsilon$ が等方的であるとは仮定されておらず、PnP反復中に生成されるノイズ項 $\gamma B e$ の分布に一致するように選択されることである。

MMSE推定器は、以下の条件付き平均として定義される：
$$\hat{D}_\mu(z) = \mathbb{E}[X | Z=z] = \frac{\int x \phi(z-x; \tilde{\Sigma}_\Upsilon) d\mu(x)}{\int \phi(z-x; \tilde{\Sigma}_\Upsilon) d\mu(x)}$$
ここで、$\phi$ は部分空間 $V = \text{Im}(\Sigma_\Upsilon)$ に適応したガウス密度カーネルである。

2.2 主要な仮定

解析は、以下の構造的仮定に基づいている：

• コンパクト性： 事前分布 $\mu_X$ のサポートはコンパクトであり、$M$ によって有界である。
• 部分空間の一致： $\mu_X$ のサポートは、ノイズ共分散 $\Sigma_\Upsilon$ によって生成される部分空間 $V$ 内に存在する。
• 演算子の特性： 行列 $BA$は対称であり、半正定値である。演算子$B$は$V$ へ写像する。
• 制限付き単射性： $BA$ の核（kernel）と $\mu_X$ のサポートの凸包の接錐（tangent cone）の共通部分は自明な集合であり、関連する集合上での可逆性を保証している。

2.3 ニューラルネットワーク近似の解析

正確なMMSE推定器を高次元で計算することは困難であることを認識し、著者らはReLUニューラルネットワークによってパラメータ化されたデノイザーへと解析を拡張している。彼らは、特定の精度 $\epsilon$ で恒等写像（およびしたがってMMSEデノイザー）を近似するために必要なネットワークの幅、深さ、および重みの大きさを束縛するために、近似理論を利用している。

3. 主要な貢献

本論文は、PnPデノイザーに対する「ブラックボックス」的な見方を超え、主に3つの貢献を行っている：

1. MMSEデノイザーの正則性と安定性：
   著者らは、MMSEデノイザーがリプシッツ連続であり、特定の条件（非退化な共分散を持つガウスノイズ）の下では**ココサーシブ（cocoercive）**であることを確立している。これは、PnP手法においてヒューリスティックに強制される「強非拡大性（firm non-expansiveness）」に対する厳密な理論的正当付けを与える。また、事前分布（prior measure）に対するデノイザーの安定性（Wasserstein連続性）も証明している。

2. MMSEを用いたPnPの回復保証：
   論文は、PnP-FBS反復に関する**点別（pointwise）およびワッサースタイン距離（Wasserstein distance）**の回復誤差界を導出している。

   • 点別界： 誤差界は、解集合の接錐に対する演算子 $BA$ の条件数、ノイズレベル、および経験的事前分布のサンプリング誤差に依存する。
   • ワッサースタイン界： 反復の分布は真の事前分布に収束する。この界には、デノイザーを訓練するために使用されたノイズ分布（$\Upsilon$）と、反復における実効的なノイズ（$\gamma B E$）との間の不一致を測定するブール（Bures）計量の項が明示的に含まれている。

3. 物理学を考慮したデノイザーの必要性：
   中心的な理論的知見は、デノイザーを物理学に依存しない方法で選択することはできないという点である。デノイザーを構成するために使用される演算子 $B$ とノイズ共分散 $\Sigma_\Upsilon$ は、結合していなければならない。具体的には、最適な性能を得るためには、デノイザーは変換された観測ノイズ $\gamma B E$ と統計的に一致するノイズに対して訓練される必要がある。標準的な選択である $B = A^\top$ は、デノイザーが前方モデルに対して無関係（agnostic）であることを暗黙のうちに仮定しているが、著者らは、特定の条件が満たされない限り、これが劣決定な回復界をもたらすことを示している。

4. 主な結果

4.1 点別回復

定理3.2は、再構成誤差 $\|x_k - x\|$ に関する界を提供している。誤差は以下の要素によって決定される近傍へと収束する：

• ノイズ増幅： $\gamma \|B\| \|e\|$ に比例する。
• デノイザーの性能： 真の信号と経験的な訓練サンプルとの距離に関連する。
• 条件付け： 収束率 $q$ は、解集合上の $BA$ の条件数に依存する。
  決定的なことは、デノイザーが縮小写像（contraction mapping）でない場合でも、$BA$ の条件数がデノイザーのリプシッツ定数に対して十分に良好であれば、この界が成立することである。

4.2 分布の回復

定理3.6は、反復の分布と真の事前分布の間の期待二乗ワッサースタイン距離 $W_2^2(\hat{\mu}_k, \mu_X)$ に関する界を確立している。この界は、訓練ノイズの共分散 $\Sigma_\Upsilon$ が反復ノイズ $\gamma^2 B \Sigma_E B^\top$ と一致するときに最小化されることを明らかにしている。この一致が完全であれば、ブール計量の項は消失し、界が大幅に改善される。

4.3 ニューラルネットワーク近似

定理3.11は、MMSEデノイザーが訓練済みニューラルネットワークに置き換えられた場合への点別界の拡張を行う。誤差界には以下の項が含まれる：

• ネットワークの近似誤差（$\epsilon$ に依存）。
• ネットワークのリプシッツ定数。
• 訓練データのサンプリング誤差。
  著者らは、所望の近似精度を達成するためのネットワークの深さと幅の具体的な要件を導出し、ネットワークが十分に表現力を持つ限り、回復保証が保持されることを示している。

5. 意義と主張

本論文は、その解析が**「物理学が重要である（physics matters）」**ことを示すことで、PnP手法の理解を根本的に変えるものであると主張している。

• 非依存性の拒絶： 著者らは、汎用的なノイズ（例：等方的なガウスノイズ）でデノイザーを訓練し、それを任意の前方演算子 $A$ およびノイズ共分散 $\Sigma_E$ を持つ逆問題に適用するという一般的な慣行は、理論的に欠陥があると考えている。デノイザーは「物理学を考慮した（physics-aware）」ものでなければならない。つまり、その訓練ノイズ分布は、PnP反復における演算子 $B$ によって導入される実効的なノイズと一致していなければならない。
• 緩和された仮定： デノイザーの特性（ココサーシビティおよび事前分布から導かれるリプシッツ界）を活用することで、デノイザーが凸関数の近接作用素である、あるいは縮小写像であるという強い仮定を課すことなく、回復保証を導き出している。
• 定量的界： 論文は、逆問題の条件付け、デノイザーの質（およびその訓練データ）、およびノイズレベルの間のトレードオフを定量化する、明示的かつ非漸近的な誤差界を提供している。

結論として、本研究は、デノイザーの設計と分裂演算子 $B$ の選択が、前方モデルおよび特定の逆問題のノイズ統計と不可分に結びついていることを強調することで、Plug-and-Play手法に対して厳密な理論的基礎を提供している。